DE102018219290B4 - Method for teaching a personalized headlight device of a motor vehicle - Google Patents
Method for teaching a personalized headlight device of a motor vehicle Download PDFInfo
- Publication number
- DE102018219290B4 DE102018219290B4 DE102018219290.1A DE102018219290A DE102018219290B4 DE 102018219290 B4 DE102018219290 B4 DE 102018219290B4 DE 102018219290 A DE102018219290 A DE 102018219290A DE 102018219290 B4 DE102018219290 B4 DE 102018219290B4
- Authority
- DE
- Germany
- Prior art keywords
- learning unit
- light distribution
- user
- traffic situation
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000009826 distribution Methods 0.000 claims abstract description 132
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000001939 inductive effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 241000283070 Equus zebra Species 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
- B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
- B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
- B60Q1/06—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle
- B60Q1/08—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle automatically
- B60Q1/085—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle automatically due to special conditions, e.g. adverse weather, type of road, badly illuminated road signs or potential dangers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/05—Special features for controlling or switching of the light beam
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/20—Indexing codes relating to the driver or the passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/20—Indexing codes relating to the driver or the passengers
- B60Q2300/21—Manual control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2900/00—Features of lamps not covered by other groups in B60Q
- B60Q2900/50—Arrangements to reconfigure features of lighting or signalling devices, or to choose from a list of pre-defined settings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Lighting Device Outwards From Vehicle And Optical Signal (AREA)
Abstract
Verfahren zum Anlernen einer personalisierten Scheinwerfereinrichtung (18) eines Kraftfahrzeugs (18), wobei mithilfe der Scheinwerfereinrichtung (18) mehrere unterschiedliche Lichtverteilungen einstellbar sind, durch Ausführen folgender Verfahrensschritte durch eine Lerneinheit (LE), die ein künstliches neuronales Netz (NN) aufweist:a) Lernen einer benutzerseitigen Auswahl einer jeweiligen der Lichtverteilungen an der Scheinwerfereinrichtung in Abhängigkeit von mindestens einer Verkehrssituation (S1),b) Ermitteln einer aktuellen Verkehrssituation (S2),c) Einstellen einer der Lichtverteilungen an der Scheinwerfereinrichtung in Abhängigkeit von der erlernten benutzerseitigen Auswahl und von der aktuellen Verkehrssituation (S3),- Einstellen einer neuen Lichtverteilung an der Scheinwerfereinrichtung (18) durch die Lerneinheit (LE) zum Lernen und/oder zum Induzieren einer weiteren benutzerseitigen Auswahl, und/oder- Überprüfen nach dem Einstellen einer der Lichtverteilungen (S3) innerhalb eines vorgegebenen Zeitintervalls und/oder nach einer Änderung der aktuellen Verkehrssituation durch die Lerneinheit (LE), ob benutzerseitig innerhalb des vorgegebenen Zeitintervalls eine andere als die von der Lerneinheit (LE) eingestellte Lichtverteilung ausgewählt wird, und im Falle einer anderen ausgewählten Lichtverteilung die Lerneinheit (LE) die Verfahrensschritte a) bis c) erneut ausführt und- Erfassen jeder benutzerseitigen Änderung der Lichtverteilung nach dem Einstellen einer der Lichtverteilungen für eine vorgegebene Zeitspanne mittels eines jeweiligen Korrekturindex durch die Lerneinheit (LE) und iteratives Ausführen der Verfahrensschritte a) bis c) durch die Lerneinheit solange, bis eine Anzahl oder eine Summe der Korrekturindizes minimal wird.Method for teaching a personalized headlight device (18) of a motor vehicle (18), wherein several different light distributions can be set using the headlight device (18), by carrying out the following method steps by a learning unit (LE) which has an artificial neural network (NN):a ) Learning a user selection of a respective light distribution on the headlight device depending on at least one traffic situation (S1), b) Determining a current traffic situation (S2), c) Setting one of the light distributions on the headlight device depending on the learned user selection and from the current traffic situation (S3), - setting a new light distribution on the headlight device (18) by the learning unit (LE) for learning and / or inducing a further user selection, and / or - checking after setting one of the light distributions (S3) within a predetermined time interval and/or after a change in the current traffic situation by the learning unit (LE), whether the user selects a light distribution other than that set by the learning unit (LE) within the predetermined time interval, and in the case of a different selected light distribution, the learning unit (LE) carries out the method steps a) to c) again and - detecting every user-side change in the light distribution after setting one of the light distributions for a predetermined period of time by means of a respective correction index by the learning unit (LE) and iteratively carrying out the method steps a) to c) through the learning unit until a number or a sum of the correction indices becomes minimal.
Description
Die Erfindung betrifft ein Verfahren zum Anlernen einer personalisierten Scheinwerfereinrichtung eines Kraftfahrzeugs, wobei mithilfe der Scheinwerfereinrichtung mehrere unterschiedliche Lichtverteilungen einstellbar sind. Das Verfahren wird dabei durch eine Lerneinheit durchgeführt, die ein künstliches neuronales Netz aufweist. Die Erfindung betrifft ebenfalls eine Beleuchtungsvorrichtung mit einer Scheinwerfereinrichtung zum Erzeugen mehrerer Lichtverteilungen.The invention relates to a method for teaching a personalized headlight device of a motor vehicle, with the headlight device being able to be used to set several different light distributions. The method is carried out by a learning unit that has an artificial neural network. The invention also relates to a lighting device with a headlight device for generating multiple light distributions.
Viele moderne Kraftfahrzeuge verfügen über eine segmentierte Scheinwerfereinrichtung beziehungsweise über ein Pixellichtsystem, mithilfe dessen adaptive Lichtsysteme umgesetzt werden können. Dabei können verschiedene Sensordaten berücksichtigt werden. In das erzeugte Ansteuerungsbild beziehungsweise Lichtverteilung können dutzende Parameter einfließen. In vielen Fällen werden dabei Kameradaten ebenfalls ausgewertet und berücksichtigt.Many modern motor vehicles have a segmented headlight device or a pixel light system that can be used to implement adaptive lighting systems. Various sensor data can be taken into account. Dozens of parameters can be incorporated into the generated control image or light distribution. In many cases, camera data is also evaluated and taken into account.
Bisher ist es anmelderseitig nicht bekannt, die Lichtverteilung an eine Ein-, Ausschalt- und Abblendgewohnheit des Fahrers anzupassen. Somit kann die Lichtverteilung für bestimmte Situationen nicht personalisiert werden. Es besteht des Weiteren keine Möglichkeit, die Eingriffe des Fahrers und die Lichtautomatik zu detektieren und dies zum Erzeugen einer personalisierten Lichtautomatik zu nutzen. Meistens gibt es lediglich eine Standard-Lichtautomatik für einen Normalbenutzer, wobei sich diese Standardlichtautomatik stark von individuellen Präferenzen unterscheiden kann. Dies bedeutet, dass ein Fahrer zwar grundsätzlich die Standard-Lichtautomatik anpassen kann, jedoch ist es nicht möglich, damit eine vollständige personalisierte Scheinwerfereinrichtung bereitzustellen.So far it is not known from the applicant side how the light distribution can be adapted to the driver's switching on, off and dimming habits. This means that the light distribution cannot be personalized for certain situations. Furthermore, there is no possibility of detecting the driver's interventions and the automatic lighting system and using this to generate a personalized automatic lighting system. Most of the time there is only a standard automatic light control for a normal user, although this standard automatic light control can differ greatly depending on individual preferences. This means that while a driver can generally customize the standard automatic headlight system, it is not possible to use it to provide a complete personalized headlight setup.
Die Offenlegungsschrift
Die Offenlegungsschrift
Die Offenlegungsschrift
Es ist Aufgabe der vorliegenden Erfindung eine Scheinwerfereinrichtung beziehungsweise ein dazugehöriges Verfahren bereitzustellen, welche es ermöglichen, personalisierte Lichtverteilungen zu erzeugen.It is the object of the present invention to provide a headlight device or an associated method which makes it possible to generate personalized light distributions.
Diese Aufgabe wird gemäß den unabhängigen Patentansprüchen dieser Anmeldung gelöst. Sinnvolle Weiterbildungen, weitere Ausgestaltungsformen und andere Varianten der Erfindung ergeben sich aus den Unteransprüchen, der Beschreibung und den Figuren.This task is solved according to the independent patent claims of this application. Useful further developments, further embodiments and other variants of the invention result from the subclaims, the description and the figures.
Die Erfindung sieht ein Verfahren zum Anlernen einer personalisierten Scheinwerfereinrichtung eines Kraftfahrzeugs vor. Mithilfe der Scheinwerfereinrichtung sind mehrere unterschiedliche Lichtverteilungen einstellbar. Das Verfahren wird durch eine Lerneinheit ausgeführt, die ein künstliches neuronales Netz aufweist. Im Schritt a) wird eine benutzerseitige Auswahl einer jeweiligen der Lichtverteilungen an der Scheinwerfereinrichtung in Abhängigkeit von mindestens einer Verkehrssituation gelernt. Der Begriff Lernen kann ebenfalls die Bedeutung von Anlernen oder Studieren umfassen. Beispielsweise kann das künstliche neuronale Netz durch ein Beobachten einer Person, welche die benutzerseitige Auswahl trifft, diese Auswahl lernen. Lernen kann in diesem Zusammenhang auch bedeuten, dass eine benutzerseitige Auswahl aufgezeichnet, registriert und/oder abgespeichert wird. Die benutzerseitige Auswahl kann durch Auswerten entsprechender Eingabesignale oder durch Beobachten der Person erfasst werden. Die Eingabesignale können zum Beispiel als ein Betätigen eines Tasters oder Aussprechen eines Schlüsselworts ausgebildet sein. Spricht zum Beispiel eine Person die Wortfolge „Stadt-Licht einstellen“ aus, so kann die Lerneinheit diese Wortfolge erfassen und daraus lernen, dass die Person eine bestimmte Lichtverteilung eingestellt haben möchte. Damit ist es der Lerneinheit möglich, die benutzerseitige Auswahl zu erfassen und somit die benutzerseitige Auswahl einer der jeweiligen Lichtverteilungen zu lernen beziehungsweise zu erlernen. Dabei wird die mindestens eine Verkehrssituation berücksichtigt.The invention provides a method for teaching a personalized headlight device of a motor vehicle. Using the headlight device, several different light distributions can be adjusted. The method is carried out by a learning unit that has an artificial neural network. In step a), a user selection of a respective light distribution on the headlight device is learned depending on at least one traffic situation. The term learning can also include the meaning of learning or studying. For example, the artificial neural network can learn this selection by observing a person making the user selection. In this context, learning can also mean that a user selection is recorded, registered and/or saved. The user's selection can be recorded by evaluating corresponding input signals or by observing the person. The input signals can, for example, be designed as pressing a button or saying a keyword. For example, if a person says the phrase “adjust the city light,” the learning unit can record this phrase and learn from it that the person has set a certain light distribution would like to have. This makes it possible for the learning unit to record the user's selection and thus learn or learn the user's selection of one of the respective light distributions. At least one traffic situation is taken into account.
Die mindestens eine Verkehrssituation kann vorgegeben sein und der Lerneinheit bereitgestellt werden. So kann die Lerneinheit zum Beispiel auf Daten betreffend die mindestens eine Verkehrssituation zugreifen. Diese Daten können beispielsweise in einem Backend oder einem externen Server abgespeichert sein. Es ist auch möglich, dass die Lerneinheit auf Daten einer Sensoreinrichtung zugreift, welche eine Umgebung des Kraftfahrzeugs erfassen. Die Lerneinheit kann diese Daten entsprechend auswerten und analysieren. Mithilfe dieses Analysierens der Daten der Sensoreinrichtung kann die Lerneinheit die mindestens eine Verkehrssituation ermitteln. Dies bedeutet, dass die Lerneinheit zum einen in der Lage ist, die benutzerseitige Auswahl zu lernen und zum anderen kann die Lerneinheit auch in der Lage sein, die mindestens eine Verkehrssituation zu ermitteln.The at least one traffic situation can be specified and provided to the learning unit. For example, the learning unit can access data relating to at least one traffic situation. This data can be stored, for example, in a backend or an external server. It is also possible for the learning unit to access data from a sensor device that detects the surroundings of the motor vehicle. The learning unit can evaluate and analyze this data accordingly. With the help of this analysis of the data from the sensor device, the learning unit can determine the at least one traffic situation. This means that, on the one hand, the learning unit is able to learn the user's selection and, on the other hand, the learning unit can also be able to determine at least one traffic situation.
In einem Schritt b) wird eine aktuelle Verkehrssituation ermittelt. Die aktuelle Verkehrssituation kann sich insbesondere dadurch auszeichnen, dass diese zu einem anderen Zeitpunkt stattfindet als die mindestens eine Verkehrssituation. Bezüglich des Ermittelns der aktuellen Verkehrssituation kann die Lerneinheit ebenso agieren beziehungsweise verfahren wie bei dem Ermitteln der mindestens einen Verkehrssituation. Insbesondere kann sich der Schritt a) über einen vorgegebenen Zeitraum erstrecken. Die mindestens eine Verkehrssituation und/oder aktuelle Verkehrssituation kann beispielsweise einen Straßenverlauf wie zum Beispiel Kurven oder Kreuzungen oder das Vorhandensein von Verkehrsschildern betreffen. So kann beispielsweise die Lerneinheit mithilfe einer Fahrzeugkamera Verkehrsschilder erfassen, erkennen und diese Verkehrsschilder beim Ermitteln der Verkehrssituationen berücksichtigen.In step b), a current traffic situation is determined. The current traffic situation can be characterized in particular by the fact that it takes place at a different time than the at least one traffic situation. With regard to determining the current traffic situation, the learning unit can act or proceed in the same way as when determining the at least one traffic situation. In particular, step a) can extend over a predetermined period of time. The at least one traffic situation and/or current traffic situation can, for example, relate to a road course such as curves or intersections or the presence of traffic signs. For example, the learning unit can use a vehicle camera to record and recognize traffic signs and take these traffic signs into account when determining traffic situations.
In einem weiteren Schritt c) wird eine der Lichtverteilungen an der Scheinwerfereinrichtung in Abhängigkeit von der erlernten benutzerseitigen Auswahl und von der aktuellen Verkehrssituation eingestellt. Dies bedeutet, dass die Lerneinheit ein manuelles Einstellen von Lichtverteilungen eines Fahrers erlernen kann und dabei die mindestens eine Verkehrssituation berücksichtigt. Bei einer aktuellen Verkehrssituation kann die Lerneinheit auf dieses erlernte Einstellverhalten des Fahrers zurückgreifen und die Lichtverteilung in Abhängigkeit von der erlernten benutzerseitigen Auswahl und von der aktuellen Verkehrssituation einstellen. Dadurch kann eine individuelle Lichtautomatik geschaffen werden. Somit ist es möglich, eine personalisierte Ausleuchtung bereitzustellen, welche die Gewohnheiten des Fahrers unterstützen und somit die Sicherheit erhöhen. Des Weiteren kann so das Komfortempfinden für den Fahrer gesteigert werden, da er nicht länger die Lichtverteilungen manuell einstellen muss. Er kann sich somit verstärkt auf das Manövrieren des Kraftfahrzeugs konzentrieren. Die benutzerseitige Auswahl kann beispielsweise manuell oder sprachgesteuert erfolgen. Mithilfe dieses Verfahrens gelingt es, eine Anzahl einer benutzerseitigen Auswahl zumindest zu reduzieren.In a further step c), one of the light distributions on the headlight device is adjusted depending on the learned user selection and the current traffic situation. This means that the learning unit can learn how to manually adjust a driver's light distributions and thereby take at least one traffic situation into account. In a current traffic situation, the learning unit can rely on this learned setting behavior of the driver and adjust the light distribution depending on the learned user selection and the current traffic situation. This allows an individual automatic lighting system to be created. This makes it possible to provide personalized lighting that supports the driver's habits and thus increases safety. Furthermore, the driver's sense of comfort can be increased because he no longer has to adjust the light distributions manually. This means he can concentrate more on maneuvering the vehicle. The user selection can, for example, be done manually or voice-controlled. With the help of this method it is possible to at least reduce the number of user selections.
Eine weitere Variante dieser Erfindung sieht vor, dass zum Lernen der benutzerseitigen Auswahl eine Person beim Manövrieren des Kraftfahrzeugs optisch und/oder akustisch beobachtet wird. In vielen Fällen ist die Person zugleich ein Fahrer des Kraftfahrzeugs. Eine optische Beobachtung der Person kann beispielsweise mithilfe eines Mikrofons erfolgen. Dazu können beispielsweise Schallwellen aufgezeichnet werden, um Sprachbefehle der Person zu erfassen und/oder zu analysieren. Auf diese Weise können eingestellte Lichtverteilungen, welche mittels Sprachsteuerung eingestellt werden, erfasst werden und so durch die Lerneinheit gelernt werden. Auf sinngemäße Weise kann ebenfalls das optische Beobachten erfolgen. Dazu können beispielsweise Fahrzeuginnenkameras zum Einsatz kommen, welche die Person beziehungsweise den Fahrer beobachten beziehungsweise aufzeichnen. Insbesondere kann dadurch erfasst werden, wo sich eine Hand des Fahrers befindet. Mithilfe dieser Ausgestaltung können sowohl sprachliche Einstellungen als auch manuelle Einstellungen des Fahrers an der Lichtautomatik beobachtet werden. Dies kann zum Lernen der benutzerseitigen Auswahl der jeweiligen Lichtverteilung verwendet werden.A further variant of this invention provides that, in order to learn the user's selection, a person is observed visually and/or acoustically while maneuvering the motor vehicle. In many cases, the person is also a driver of the motor vehicle. The person can be visually observed using a microphone, for example. For this purpose, for example, sound waves can be recorded in order to record and/or analyze the person's voice commands. In this way, set light distributions, which are set using voice control, can be recorded and thus learned by the learning unit. Optical observation can also be carried out in a similar way. For example, interior vehicle cameras can be used to observe or record the person or driver. In particular, it can be recorded where a driver's hand is located. With the help of this configuration, both linguistic settings and manual settings of the driver on the automatic lighting system can be observed. This can be used to learn the user's selection of the respective light distribution.
Eine weitere Ausgestaltung sieht vor, dass eine Position einer Hand der Person erfasst wird und/oder eine Analyse akustische Wellen für eine Sprachstellung der Scheinwerfereinrichtung durchgeführt wird, um die benutzerseitige Auswahl der jeweiligen Lichtverteilung für das Lernen zu registrieren. Wird die Position der Hand der Person erfasst, so kann die Lerneinheit ermitteln, ob ein Einstellen der Lichtverteilung durchgeführt wird oder bevorsteht. Insbesondere kann so ein bevorstehendes Ändern der Lichtverteilung durch die Lerneinheit erkannt werden. In diesem Fall könnte die Lerneinheit in einen Aufzeichnungsmodus umschalten, in dem sich beispielsweise sich auf das Beobachten oder Registrieren der bevorstehenden benutzerseitigen Auswahl konzentriert. Damit kann insbesondere gemeint sein, dass die Lerneinheit ihre internen Ressourcen zum Lernen der benutzerseitigen Auswahl zuweist. Dies kann ebenso mithilfe eines Schlüsselworts erfolgen. Registriert beispielsweise die Lerneinheit ein Schlüsselwort, welches eine bevorstehende Änderung der Lichtverteilung andeutet, so kann die Lerneinheit intern jene digitalen Ressourcen der Lerneinheit für das Lernen der benutzerseitigen Auswahl freigeben oder zur Verfügung stellen. So kann sichergestellt werden, dass der Prozess des Lernens oder Erlernens effektiv durchgeführt werden kann.A further embodiment provides that a position of a person's hand is detected and/or an analysis of acoustic waves is carried out for a language position of the headlight device in order to register the user's selection of the respective light distribution for learning. If the position of the person's hand is recorded, the learning unit can determine whether the light distribution is being adjusted or is about to be adjusted. In particular, an impending change in the light distribution can be recognized by the learning unit. In this case, the learning unit could switch to a recording mode, for example, focusing on observing or registering the upcoming user selection. This can mean in particular that the learning unit allocates its internal resources for learning the user's selection. This can also be done using a keyword. For example, the learning unit registers a keyword that is an upcoming If an existing change in the light distribution is indicated, the learning unit can internally release or make available those digital resources of the learning unit for learning the user's selection. This can ensure that the process of learning or learning can be carried out effectively.
Eine weitere Ausgestaltung dieser Erfindung sieht vor, dass die mindestens eine Verkehrssituation und/oder die aktuelle Verkehrssituation durch eine Sichtweite für die Person, einen Gesundheitszustand der Person, eine Position und Ausrichtung des Kraftfahrzeugs und/oder einen Straßenverlauf für das Kraftfahrzeug bestimmt wird. Für die Sichtweite der Person kann beispielsweise ein Sehvermögen einer Normalperson herangezogen werden. Sind betreffend die Sichtweite personenspezifische Daten bekannt beziehungsweise vorhanden, so kann die Lerneinheit auch eine individuelle Sichtweite für die Person ermitteln. Dabei können ebenfalls verschiedene Verkehrssituationen berücksichtigt werden. Eine Verkehrssituation kann ebenfalls in Abhängigkeit von dem Gesundheitszustand der Person ermittelt werden. Somit kann der Gesundheitszustand der Person die mindestens eine Verkehrssituation sowie die aktuelle Verkehrssituation beeinflussen. Ebenfalls können personenspezifische Informationen, sofern diese vorhanden und verfügbar sind, berücksichtigt werden.A further embodiment of this invention provides that the at least one traffic situation and/or the current traffic situation is determined by a visibility distance for the person, a state of health of the person, a position and orientation of the motor vehicle and/or a road course for the motor vehicle. For example, the vision of a normal person can be used to determine the person's range of vision. If personal data regarding the visibility is known or available, the learning unit can also determine an individual visibility for the person. Different traffic situations can also be taken into account. A traffic situation can also be determined depending on the person's state of health. The person's state of health can therefore influence at least one traffic situation as well as the current traffic situation. Personal information, if available and available, can also be taken into account.
Eine Position und Ausrichtung des Kraftfahrzeugs kann insbesondere mithilfe einer Sensoreinrichtung des Kraftfahrzeugs ermittelt werden. Solche Informationen können beispielsweise mithilfe eines CAN-Busnetzes eines Bordnetzsystems des Kraftfahrzeugs der Lerneinheit übermittelt werden. Der Straßenverlauf kann mehrere unterschiedliche Formen annehmen. Damit können Kurven, Kreuzungen, Fußgängerüberwege sowie Verkehrsschilder angesprochen sein. Beispielsweise kann mithilfe einer Analyse von Verkehrsschildern auch ein zukünftiger Straßenverlauf erkannt werden.A position and orientation of the motor vehicle can be determined in particular using a sensor device of the motor vehicle. Such information can be transmitted to the learning unit, for example, using a CAN bus network of an on-board electrical system of the motor vehicle. The course of the road can take on several different forms. This can address curves, intersections, pedestrian crossings and traffic signs. For example, an analysis of traffic signs can also be used to identify the future course of the road.
Dies kann ebenfalls mithilfe von prädiktiven Streckendaten realisiert werden. Prädiktive Streckendaten können insbesondere auf einem Backendserver bereitgestellt werden und die Lerneinheit kann damit einen zukünftigen Straßenverlauf beim Ermitteln der Verkehrssituation berücksichtigen. Dasselbe gilt sinngemäß und analog für den Fall, bei dem die Lerneinheit erfasste Verkehrsschilder analysiert. Somit ist es möglich, unterschiedliche Verkehrssituationen detailliert zu erfassen beziehungsweise zu beschreiben. Dies kann dabei helfen eine personalisierte Scheinwerfereinrichtung bereitzustellen. Da so detaillierte Verkehrssituationen ermittelt werden können und zugleich die benutzerseitige Auswahl beziehungsweise ein manuelles Einstellverhalten ermittelt wird, kann die Lerneinheit auf den Fahrer abgestimmte personalisierte Lichtverteilungen entwickeln und bereitstellen. Mithilfe des neuronalen Netzes kann die Lerneinheit für jede Verkehrssituation eine optimale beziehungsweise personalisierte Lichtverteilung erlernen. Blendet beispielsweise der Fahrer in einer bestimmten Verkehrssituation oder an einer bestimmten Stelle mehrmals auf beziehungsweise ab, so kann die Lerneinheit dies erkennen und dem Fahrer zukünftig diese Eingriffe ersparen.This can also be achieved using predictive route data. Predictive route data can in particular be provided on a backend server and the learning unit can thus take a future road course into account when determining the traffic situation. The same applies analogously and analogously to the case in which the learning unit analyzes recorded traffic signs. This makes it possible to record or describe different traffic situations in detail. This can help provide a personalized headlight setup. Since detailed traffic situations can be determined in this way and at the same time the user's selection or manual adjustment behavior is determined, the learning unit can develop and provide personalized light distributions tailored to the driver. With the help of the neural network, the learning unit can learn an optimal or personalized light distribution for every traffic situation. For example, if the driver fades the light up or down several times in a certain traffic situation or at a certain point, the learning unit can recognize this and save the driver from having to intervene in the future.
Eine weitere Ausgestaltung sieht vor, dass die Lerneinheit nach dem Einstellen einer der Lichtverteilungen innerhalb eines vorgegebenen Zeitintervalls und/oder nach einer Änderung der aktuellen Verkehrssituation überprüft, ob benutzerseitig innerhalb des vorgegebenen Zeitintervalls eine andere als die von der Lerneinheit eingestellte Lichtverteilung ausgewählt wird, und im Falle einer anderen ausgewählten Lichtverteilung die Lerneinheit die Verfahrensschritte a) bis c) erneut ausführt. Das vorgegebene Zeitintervall kann beispielsweise einen maximalen Zeitraum von 15 Sekunden, insbesondere 10 Sekunden, bevorzugt 5 Sekunden umfassen. Diese Ausgestaltung der Erfindung kann damit vorsehen, dass der Lernprozess für die Lerneinheit beziehungsweise das Verfahren nicht nach einem ersten Durchlauf nicht abgeschlossen ist. Hat beispielsweise die Lerneinheit eine neue Lichtverteilung eingestellt, so kann die Lerneinheit überprüfen, ob innerhalb des vorgegebenen Zeitintervalls benutzerseitig die eingestellte Lichtverteilung geändert wird. Erfolgt eine Änderung innerhalb des vorgegebenen Zeitintervalls, so könnte dies darauf hindeuten, dass die Lerneinheit noch nicht optimal angelernt ist.A further embodiment provides that after setting one of the light distributions within a predetermined time interval and/or after a change in the current traffic situation, the learning unit checks whether the user has selected a light distribution other than the one set by the learning unit within the predetermined time interval, and in In the case of a different selected light distribution, the learning unit carries out process steps a) to c) again. The predetermined time interval can, for example, include a maximum period of 15 seconds, in particular 10 seconds, preferably 5 seconds. This embodiment of the invention can therefore provide that the learning process for the learning unit or the method is not completed after a first run. For example, if the learning unit has set a new light distribution, the learning unit can check whether the set light distribution is changed by the user within the specified time interval. If a change occurs within the specified time interval, this could indicate that the learning unit has not yet been optimally trained.
Es ist jedoch auch möglich, dass sich die Gewohnheiten der Person oder des Fahrers geändert haben. Aus diesem Grund sieht diese Ausgestaltung insbesondere vor, dass bei einer benutzerseitigen Änderung der eingestellten Lichtverteilung innerhalb des vorgegebenen Zeitintervalls die Lerneinheit die Verfahrensschritte erneut ausführt. Somit kann diese Ausgestaltung als ein weiterer Verfahrensschritt betrachtet werden, bei dem die Lerneinheit überprüft beziehungsweise überwacht, ob die eingestellte Lichtverteilung zu der erlernten benutzerseitigen Auswahl der Lichtverteilungen passt. Dazu kann die Lerneinheit entsprechende Werte betreffend die benutzerseitige Auswahl ermitteln und diese Werte miteinander vergleichen. Diese Werte können sich auf einen weiteren vorgegebenen Zeitraum beziehen. Die Werte können eine Einstellgewohnheit des Fahrers repräsentieren und damit als „Gewohnheitswert für die Scheinwerfereinrichtung“ bezeichnet werden.However, it is also possible that the person's or driver's habits have changed. For this reason, this embodiment provides in particular that if the user changes the set light distribution within the specified time interval, the learning unit carries out the method steps again. This embodiment can therefore be viewed as a further method step in which the learning unit checks or monitors whether the set light distribution matches the learned user selection of the light distributions. To do this, the learning unit can determine corresponding values relating to the user's selection and compare these values with one another. These values can refer to a further specified period of time. The values can represent an adjustment habit of the driver and can therefore be referred to as a “habitual value for the headlight device”.
Im Idealfall erfolgen nach dem Einstellen der Lichtverteilung durch die Lerneinheit keine benutzerseitigen Änderungen. Dies kann durch die Lerneinheit als Bestätigung aufgefasst werden, dass sie das benutzerseitige Verhalten korrekt erlernt hat. Mithilfe dieser Überprüfung kann sichergestellt werden, dass sich die Lerneinheit flexibel auf sich ändernde Gewohnheiten des Fahrers einstellen kann.Ideally, no changes are made by the user after the light distribution has been adjusted by the learning unit. This can be done through the learning process can be seen as confirmation that it has learned the user behavior correctly. This check can be used to ensure that the learning unit can adapt flexibly to the driver's changing habits.
Eine weitere Ausgestaltung sieht vor, dass die Lerneinheit für eine vorgegebene Zeitspanne jede benutzerseitige Änderung der Lichtverteilung nach dem Einstellen der Lichtverteilungen mittels eines jeweiligen Korrekturindex erfasst und die Lerneinheit ausgestaltet ist, die Verfahrensschritte a) bis c) so lange iterativ durchzuführen, bis eine Anzahl oder eine Summe der Korrekturindizes minimal, insbesondere 0 wird. Somit sieht diese Ausgestaltung insbesondere vor, dass nach jeder benutzerseitigen Änderung der Lichtverteilung ein jeweiliger Korrekturindex erfasst oder ermittelt wird. Dies gilt für die vorgegebene Zeitspanne. Die vorgegebene Zeitspanne kann beispielsweise einen oder mehrere Monate umfassen. Der Korrekturindex kann auch als gewichteter Korrekturindex ausgeführt sein. Der gewichtete Korrekturindex kann neben dem Vorhandensein einer benutzerseitigen Änderung der Lichtverteilung zusätzlich den Umfang beziehungsweise das Maß der Änderung der Lichtverteilung umfassen. So kann festgestellt werden, ob die benutzerseitige Änderung lediglich eine geringfügige Modifikation darstellt oder die Änderung an der eingestellten Lichtverteilung ein höheres Ausmaß bedeutet. Im Idealfall stellt die Lerneinheit die Lichtverteilungen so ein, dass keine benutzerseitigen Änderungen nötig sind. In diesem Fall werden keine benutzerseitigen Änderungen erfasst und somit wird ebenfalls kein Korrekturindex erfasst. Es kann vorgesehen sein, dass ein initialer Korrekturindex von 0 vorgesehen ist. Bei einer idealen Lerneinheit, die optimal auf den Fahrer abgestimmt ist, würde der Korrekturindex 0 betragen.A further embodiment provides that the learning unit detects every change in the light distribution by the user for a predetermined period of time after setting the light distributions using a respective correction index and the learning unit is designed to carry out the method steps a) to c) iteratively until a number or a sum of the correction indices becomes minimal, in particular 0. This embodiment therefore provides in particular that a respective correction index is recorded or determined after every change in the light distribution by the user. This applies for the specified period of time. The specified period of time can, for example, cover one or more months. The correction index can also be designed as a weighted correction index. In addition to the presence of a user-induced change in the light distribution, the weighted correction index can also include the extent or the extent of the change in the light distribution. This makes it possible to determine whether the user change represents only a minor modification or whether the change to the set light distribution is of a greater magnitude. Ideally, the learning unit sets the light distributions so that no user changes are necessary. In this case, no user changes are recorded and therefore no correction index is recorded. It can be provided that an initial correction index of 0 is provided. In an ideal learning unit that is optimally tailored to the driver, the correction index would be 0.
Die Lerneinheit kann in dieser Ausgestaltung sich iterativ so lange verbessern, bis die Anzahl oder die Summe der Korrekturindizes minimal wird. So kann beispielsweise festgestellt werden, wie gut die Lerneinheit sich auf das manuelle Einstellverhalten des Fahrers bezüglich der Lichtverteilung angepasst hat. In diesem Fall kann ermittelt werden, wie gut sich die Lerneinheit auf den Fahrer angepasst hat. Dabei kann die Anzahl oder die Summe der Korrekturindizes als Qualitätsmaßstab herangezogen werden. Im Rahmen dieser Ausgestaltung bedeutet ein geringerer Korrekturindex tendenziell eine besser personalisierte Lerneinheit. Im Falle von gewichteten Korrekturindizes kann das Ausmaß der benutzerseitigen erfolgten Änderungen an der eingestellten Lichtverteilung berücksichtigt werden. In diesem Fall würde eine leicht verschobene Lichtverteilung einen geringeren Korrekturindex aufweisen als wenn der Fahrer ein Fernlicht zu einem Abblendlicht ändert. Mithilfe des Korrekturindex kann so ein nachvollziehbares Qualitätskriterium geschaffen werden, was es erlaubt, eine flexible Anpassbarkeit der Lerneinheit an die Person zu ermitteln. Dies kann dabei helfen, das neuronale Netz beziehungsweise die Lerneinheit hinsichtlich des Lernens der benutzerseitigen Auswahl zu optimieren.In this embodiment, the learning unit can iteratively improve until the number or sum of correction indices becomes minimal. For example, it can be determined how well the learning unit has adapted to the driver's manual adjustment behavior with regard to the light distribution. In this case, it can be determined how well the learning unit has adapted to the driver. The number or the sum of the correction indices can be used as a quality measure. In this configuration, a lower correction index tends to mean a more personalized learning unit. In the case of weighted correction indices, the extent of user-made changes to the set light distribution can be taken into account. In this case, a slightly shifted light distribution would have a lower correction index than if the driver changed a high beam to a low beam. With the help of the correction index, a comprehensible quality criterion can be created, which makes it possible to determine the flexible adaptability of the learning unit to the person. This can help to optimize the neural network or the learning unit with regard to learning the user's selection.
Die Lerneinheit kann ein künstliches neuronales Netz einsetzen, welches ausgelegt ist, mithilfe bestärkenden Lernens die Anzahl der Korrekturindizes zu reduzieren. Dies kann insbesondere bedeuten, dass die Korrekturindizes eine Information darstellen, welche eine informative Rückkopplung für die Lerneinheit bedeuten. Somit kann die Lerneinheit mithilfe der Korrekturindizes eine Rückmeldung erhalten, welche aussagt, ob die Lichtverteilung richtig eingestellt wurde. Somit kann die Lerneinheit die Korrekturindizes als informative Rückkopplung nutzen, um die eingestellte Lichtverteilung zu validieren. Dazu kann die Lerneinheit insbesondere speziell entwickelte neuronale Netze einsetzen. Beispielsweise kann ein Long Short-Term Memory-Netz zum Einsatz kommen. Ein derartiges neuronales Netz kann mithilfe von unüberwachten oder überwachten Daten trainiert werden. Long-Short-Term-Memory Netze oder LSTM Zellen können nicht nur auf Informationen eines unmittelbar zurückliegenden Zeitpunkts, sondern darüber hinaus auch auf Informationen betreffend weiter zurückliegender Zeitpunkte zurückgreifen. Somit ist es möglich, dass LSTM Zellen Informationen zu allen vorigen Zeitpunkten berücksichtigen können. Sind die Zeitpunkte unterschiedlichen Schichten des neuronalen Netzes zugeordnet, so können LSTM Zellen entsprechend nicht auf die unmittelbar davor liegende Schicht zurückgreifen, sondern auch auf Information weiter zurückliegender Schichten. Insbesondere können dadurch eine zeitliche Abfolge der benutzerseitigen Änderungen sowie die dazugehörigen Verkehrssituationen erfasst werden.The learning unit can use an artificial neural network that is designed to use reinforcement learning to reduce the number of correction indices. This can mean in particular that the correction indices represent information that provides informative feedback for the learning unit. This means that the learning unit can use the correction indices to receive feedback indicating whether the light distribution has been set correctly. The learning unit can therefore use the correction indices as informative feedback to validate the set light distribution. For this purpose, the learning unit can in particular use specially developed neural networks. For example, a long short-term memory network can be used. Such a neural network can be trained using unsupervised or supervised data. Long-short-term memory networks or LSTM cells can access not only information from a point in time in the past, but also information from points in time further in the past. Thus, it is possible that LSTM cells can take information into account at all previous time points. If the times are assigned to different layers of the neural network, LSTM cells cannot access the layer immediately before, but also information from layers further back. In particular, this makes it possible to record a chronological sequence of changes made by the user as well as the associated traffic situations.
In dem Kraftfahrzeug können diese Daten gesammelt werden und der Lerneinheit zum Lernen der benutzerseitigen Auswahl zugeführt werden. Es kann auch vorgesehen sein, dass diese Daten in einem Backend gespeichert und aufbereitet werden. Dies ist insbesondere dann vorteilhaft, wenn ein Analysieren dieser Daten für das neuronale Netz der Lerneinheit zu rechenintensiv ist. Insbesondere ist es möglich, dass die Lerneinheit ein Fahrerprofil erstellt, welches die benutzerseitige Auswahl des Fahrers mit den entsprechenden Verkehrssituationen kombiniert. Diese Beispiele zeigen, wie das Lernen der benutzerseitigen Auswahl durch die Lerneinheit noch effektiver ausgestaltet werden kann, um die personalisierte Scheinwerfereinrichtung bereitzustellen.This data can be collected in the motor vehicle and fed to the learning unit for learning the user's selection. It can also be provided that this data is stored and processed in a backend. This is particularly advantageous if analyzing this data is too computationally intensive for the neural network of the learning unit. In particular, it is possible for the learning unit to create a driver profile that combines the user's selection of the driver with the corresponding traffic situations. These examples show how the learning unit's learning of user selection can be made even more effective to provide the personalized headlight device.
Eine weitere Ausgestaltung sieht vor, dass eine Identität der Person erfasst wird und die Identität mit der benutzerseitigen Auswahl verknüpft wird. Die Identität der Person kann beispielsweise mithilfe von Bilddaten erfolgen. Es kann auch vorgesehen sein, dass die Person mithilfe einer Stimmenanalyse, eines Kardiogramms, eines Fingerabdrucks oder weiterer biometrischen Daten erkannt wird. Zu den biometrischen Daten können beispielsweise ein Gangprofil, ein individuelles Verhalten der Person und/oder ein Fingerabdruck zählen. Damit kann die Lerneinheit die benutzerseitige Auswahl der Person erlernen und zugleich die benutzerseitige Auswahl mit der Identität der Person verknüpfen. Somit kann die Lerneinheit ein individuelles Fahrerprofil erzeugen beziehungsweise anlegen, indem das benutzerseitige Verhalten der Person gespeichert ist. Dieses Fahrerprofil kann der Person aufgrund der erfassten Identität zugewiesen werden. Somit kann beispielsweise ein Fahrerprofil auf ein weiteres Kraftfahrzeug übertragen werden. In diesem Fall müsste eine weitere Lerneinheit das individuelle Einstellverhalten der Person nicht in demselben Umfang erlernen, wie es durch die ursprüngliche Lerneinheit erfolgt ist.A further embodiment provides that an identity of the person is recorded and the identity is linked to the user selection. The person's identity can be determined using image data, for example. It can also be provided that the person is recognized using voice analysis, a cardiogram, a fingerprint or other biometric data. The biometric data can include, for example, a gait profile, an individual behavior of the person and/or a fingerprint. This allows the learning unit to learn the user's selection of the person and at the same time link the user's selection to the person's identity. The learning unit can thus generate or create an individual driver profile by storing the person's user behavior. This driver profile can be assigned to the person based on the recorded identity. This means, for example, that a driver profile can be transferred to another motor vehicle. In this case, a further learning unit would not have to learn the person's individual attitude behavior to the same extent as the original learning unit did.
Eine weitere Ausgestaltung sieht vor, dass die mindestens eine Verkehrssituation in verschiedene Klassen eingeteilt wird und die aktuelle Verkehrssituation einer dieser Klassen zugeordnet wird, und die Lichtverteilung in Abhängigkeit von dieser Klasse eingestellt wird. Jede Klasse kann insbesondere Verkehrssituationen repräsentieren, welche zueinander ein vorgegebenes Maß an Ähnlichkeit aufweisen. So kann beispielsweise eine Geradeausfahrt an verschiedenen Orten in die gleiche Klasse eingeteilt werden. Somit kann die Lerneinheit die unterschiedlichen Verkehrssituationen dahingehend analysieren, inwiefern die Unterschiede dieser Verkehrssituationen eine Abweichung bedeuten, die es erforderlich macht, eine neue Klasse für Verkehrssituationen vorzusehen.A further embodiment provides that the at least one traffic situation is divided into different classes and the current traffic situation is assigned to one of these classes, and the light distribution is adjusted depending on this class. Each class can in particular represent traffic situations that have a predetermined degree of similarity to one another. For example, driving straight ahead can be classified into the same class at different locations. The learning unit can thus analyze the different traffic situations to see to what extent the differences in these traffic situations represent a deviation that makes it necessary to provide a new class for traffic situations.
Beispielsweise würde eine Geradeausfahrt während eines Tages und eine Geradeausfahrt während einer Nacht unterschiedlichen Klassen zugeteilt werden. In diesem Fall könnte die Lerneinheit erkennen, dass die unterschiedlichen Zeitpunkte durchaus eine Änderung bedeuten, die relevant im Hinblick auf eine Beurteilung der Verkehrssituation ist. Aufgrund der unterschiedlichen Zeitpunkte ist beispielsweise die Sichtweite für den Fahrer unterschiedlich ausgebildet. Dies kann dazu führen, dass die Geradeausfahrt während des Tages in eine andere Klasse eingeteilt wird als die Geradeausfahrt während der Nacht. Somit kann die Lerneinheit komplexe Verkehrssituationen genauer analysieren und die Lerneinheit kann Unterschiede betreffend die Verkehrssituationen erkennen. Darüber hinaus kann die Lerneinheit eine Relevanz dieser Unterschiede feststellen. Dazu kann die Lerneinheit insbesondere einen Ähnlichkeitsmaßstab ermitteln, der besagt, inwiefern die unterschiedlichen Verkehrssituationen vergleichbar sind. Auf diese Weise kann die Lerneinheit ähnliche Verkehrssituationen in einer Klasse zusammenfassen.For example, straight-ahead driving during a day and straight-ahead driving during a night would be assigned to different classes. In this case, the learning unit could recognize that the different points in time certainly mean a change that is relevant with regard to an assessment of the traffic situation. Due to the different times, the visibility for the driver, for example, is different. This can result in straight-ahead driving during the day being classified in a different class than straight-ahead driving during the night. This means that the learning unit can analyze complex traffic situations more precisely and the learning unit can recognize differences in the traffic situations. In addition, the learning unit can determine the relevance of these differences. For this purpose, the learning unit can in particular determine a similarity standard that states to what extent the different traffic situations are comparable. In this way, the learning unit can combine similar traffic situations in one class.
Während des Betriebs des Kraftfahrzeugs können weitere Verkehrssituationen auftreten, welche die Lerneinheit ebenfalls berücksichtigen kann. Diese neuen Verkehrssituationen können entweder einer bereits bestehenden Klasse zugeordnet werden oder die neue Verkehrssituation kann das Erzeugen einer neuen Klasse erforderlich machen. Fährt beispielsweise ein Fahrer zum ersten Mal in eine verkehrsberuhigte Zone, in der lediglich mit Schrittgeschwindigkeit gefahren werden darf, so stellt dies eine neue Verkehrssituation dar. Registriert die Lerneinheit diese neue Verkehrssituation zum ersten Mal und kann die Lerneinheit diese neue Verkehrssituation bereits bestehenden Klassen nicht zuordnen, so kann die Lerneinheit eine neue Klasse vorsehen und die neue Verkehrssituation dieser neuen Klasse zuordnen. Die Lichtverteilung kann daraufhin in Abhängigkeit von den Klassen beziehungsweise von der zutreffenden Klasse eingestellt werden. Dies kann das Ermitteln der aktuellen Verkehrssituation deutlich erleichtern beziehungsweise beschleunigen. Eine komplexe Analyse von Verkehrssituationen hinsichtlich unnötiger Details kann so entfallen.During operation of the motor vehicle, other traffic situations may occur, which the learning unit can also take into account. These new traffic situations can either be assigned to an already existing class or the new traffic situation can require the creation of a new class. For example, if a driver drives into a traffic-calmed zone for the first time in which driving is only permitted at walking speed, this represents a new traffic situation. If the learning unit registers this new traffic situation for the first time and the learning unit cannot assign this new traffic situation to existing classes , the learning unit can provide a new class and assign the new traffic situation to this new class. The light distribution can then be adjusted depending on the classes or the applicable class. This can make determining the current traffic situation much easier or faster. This eliminates the need for a complex analysis of traffic situations with regard to unnecessary details.
So kann beispielsweise eine Klasse für eine Geradeausfahrt und eine andere Klasse für eine Kurvenfahrt vorgesehen sein. Weitere Klassen können unterscheiden, ob das Kraftfahrzeug innerhalb einer Ortschaft oder außerhalb einer Ortschaft manövriert wird. Ein gut trainiertes neuronales Netz kann insbesondere die verschiedenen Verkehrssituationen in mehr Klassen einteilen als ein untrainiertes neuronales Netz. Beispielsweise können vier verschiedene Verkehrsklassen vorgesehen sein. Die erste Klasse könnte eine Gradeausfahrt, die zweite Klasse könnte eine Kurvenfahrt, die dritte Klasse könnte eine Fahrt innerhalb einer Ortschaft und die vierte Klasse könnte eine Fahrt außerhalb der Ortschaft bedeuten. Auch eine Kombination dieser Klassen ist möglich.For example, one class can be intended for straight-ahead driving and another class for cornering. Further classes can distinguish whether the motor vehicle is maneuvered within a town or outside a town. In particular, a well-trained neural network can divide different traffic situations into more classes than an untrained neural network. For example, four different traffic classes can be provided. The first class could mean a straight drive, the second class could mean a curve, the third class could mean a trip within a town and the fourth class could mean a ride outside the town. A combination of these classes is also possible.
So könnte beispielsweise eine Kurvenfahrt außerhalb der Ortschaft der zweiten und der vierten Klasse zugleich zugeordnet werden. Somit kann aus ursprünglichen Grundklassen eine weitere Klasse gebildet werden. Weitere Klassen können zum Beispiel durch eine Kombination ursprünglicher Grundklassen gebildet werden. So könnte beispielsweise eine fünfte Klasse aus einer Kombination der zweiten mit der vierten Klasse gebildet werden. Dies würde in diesem Fall eine Kurvenfahrt außerhalb der Ortschaft entsprechen. Die verschiedenen Klassen können vorgegeben sein beziehungsweise durch das neuronale Netz selbst erlernt werden. Somit kann das neuronale Netz neue Verkehrssituationen durch Einführen neuer Klassen berücksichtigen. Durch das Einteilen der Verkehrssituationen in entsprechende Klassen kann der Rechenaufwand für das neuronale Netz deutlich minimiert werden. Damit führt nicht jede minimale Abweichung zwangsläufig zu einer neuen Verkehrssituation, sondern ähnliche Verkehrssituationen können so gleich behandelt werden. Dazu kann das neuronale Netz zwei Verkehrssituationen mithilfe einer entsprechenden Korrelation als Ähnlichkeitsmaßstab der Verkehrssituationen miteinander vergleichen. So kann das neuronale Netz oder die Lerneinheit quantitativ bewerten, wie ähnlich zwei Verkehrssituationen zueinander sind und darauf basierend diese beiden Verkehrssituationen einer einzigen Klasse oder zwei verschiedenen Klassen zuordnen.For example, cornering outside the town could be assigned to second and fourth class at the same time. This means that another class can be formed from the original basic classes. Additional classes can be formed, for example, by a combination of original basic classes. For example, a fifth class could be formed from a combination of the second and fourth classes. In this case, this would correspond to cornering outside the town. The different classes can be predefined or learned by the neural network itself. This means that the neural network can take new traffic situations into account by introducing new classes. By dividing traffic situations into appropriate ones Classes, the computational effort for the neural network can be significantly minimized. This means that not every minimal deviation necessarily leads to a new traffic situation, but similar traffic situations can be treated in the same way. To do this, the neural network can compare two traffic situations using a corresponding correlation as a measure of similarity between the traffic situations. The neural network or learning unit can quantitatively evaluate how similar two traffic situations are to each other and, based on this, assign these two traffic situations to a single class or two different classes.
Eine weitere Ausgestaltung sieht vor, dass die Lerneinheit zum Lernen und/oder zum Induzieren einer weiteren benutzerseitigen Auswahl eine neue Lichtverteilung an der Scheinwerfereinrichtung einstellt, wobei insbesondere für dieses Einstellen der neuen Lichtverteilung eine bisherige benutzerseitige Auswahl unberücksichtigt bleibt. Dies bedeutet, dass die Lerneinheit ausgestaltet sein kann, gezielt Änderungen an der Lichtverteilung vorzunehmen. Die Lerneinheit kann somit in einem vorgelagerten Schritt des Verfahrens eine neue Lichtverteilung an der Scheinwerfereinrichtung einstellen. Dabei kann eine bisherige benutzerseitige Auswahl vollständig unberücksichtigt bleiben. Dieser vorgelagerte Verfahrensschritt ist dann sinnvoll, wenn die Lerneinheit testen möchte, ob der Fahrer eine andere als bisher übliche Lichtverteilung bevorzugen würde, oder, falls die Lerneinheit eine benutzerseitige Auswahl provozieren möchte, indem es eine neue Lichtverteilung vorab einstellt. Dadurch kann die Lichtverteilung auch erlernen, ob der Fahrer andere als bisher gewählte beziehungsweise eingestellte Lichtverteilungen akzeptieren würde. Falls nach dem gezielten Einstellen der neuen Lichtverteilung durch die Lerneinheit benutzerseitig eine Änderung erfolgt, kann dies als benutzerseitige Auswahl gewertet werden. So kann sichergestellt werden, dass die Lerneinheit nicht von sich aus eine Lichtautomatik entwickelt, welche nicht zum Fahrer passt. Zugleich können dem Fahrer neue Lichtverteilung angeboten werden, welcher dieser annehmen oder ablehnen kann. Lehnt der Fahrer die ihm von der Lerneinheit dargebotene Lichtverteilung ab, so kann er dies durch entsprechendes Ändern der durch die Lerneinheit vorab eingestellten Lichtverteilung tun.A further embodiment provides that the learning unit sets a new light distribution on the headlight device for learning and/or inducing a further user selection, with a previous user selection being ignored, in particular for this setting of the new light distribution. This means that the learning unit can be designed to make targeted changes to the light distribution. The learning unit can thus set a new light distribution on the headlight device in an upstream step of the method. Previous user selections can be completely ignored. This upstream procedural step makes sense if the learning unit would like to test whether the driver would prefer a different light distribution than previously usual, or if the learning unit would like to provoke a user selection by setting a new light distribution in advance. This means that the light distribution can also learn whether the driver would accept light distributions other than those previously selected or set. If a change is made by the user after the new light distribution has been specifically set by the learning unit, this can be considered a user selection. This ensures that the learning unit does not automatically develop an automatic lighting system that does not suit the driver. At the same time, the driver can be offered new light distribution, which he can accept or reject. If the driver rejects the light distribution presented to him by the learning unit, he can do this by appropriately changing the light distribution preset by the learning unit.
Die Lerneinheit kann eine frühere benutzerseitige Auswahl der Person bewusst vergessen. Dies wird manchmal als „motivated forgetting“ oder „consiously forgetting“ bezeichnet. Diese Art des Vergessens unterscheidet sich erheblich von einem ungewollten Vergessen, auch „catastrophic forgetting“ genannt. Die Lerneinheit ist vorzugsweise ausgelegt, die benutzerseitige Auswahl der Person lediglich bewusst und nicht ungewollt zu vergessen. Vergessen kann dabei ein Löschen einer abgespeicherten benutzerseitigen Auswahl der Person bedeuten. Die Lerneinheit kann demnach jenen Teil ihrer zugeordneten Speichereinheit löschen oder nicht länger berücksichtigen, der jene benutzerzeitige Auswahl aufweist, die vergessen werden soll. Zu diesem Zweck können die Lerneinheit oder das neuronale Netz Algorithmen aufweisen, die es erlauben objektiv festzustellen, wann eine benutzerzeitige Auswahl vergessen oder gelöscht werden soll. Beispielsweise kann in diesem Fall die Lerneinheit basierend auf einem Vergleich von mehreren benutzerseitigen Auswahlen zu verschiedenen Zeitintervallen eine Diskrepanz feststellen, welche einen entsprechenden Schwellenwert übersteigt. Diese Diskrepanz kann zum Beispiel in Form des Ähnlichkeitsmaßstabs oder eines Wertes basierend auf einer Korrelation festgestellt werden. Dabei kann die Lerneinheit entscheiden, welches Zeitintervall für das Vergessen oder Löschen der damit verbunden benutzerseitigen Auswahlen betroffen ist. So kann vermieden werden, dass bei eine früheres Verhalten der Person nicht das Lernen, Erlernen oder Anlernen der Lerneinheit unnötig erschwert.The learning unit can deliberately forget a previous user selection of the person. This is sometimes referred to as “motivated forgetting” or “consiously forgetting.” This type of forgetting differs significantly from unwanted forgetting, also known as “catastrophic forgetting”. The learning unit is preferably designed so that the user's selection of the person is only consciously and not unintentionally forgotten. Forgetting can mean deleting a saved user selection of the person. The learning unit can therefore delete or no longer take into account that part of its assigned storage unit that has the user-time selection that should be forgotten. For this purpose, the learning unit or the neural network can have algorithms that make it possible to objectively determine when a user-made selection should be forgotten or deleted. For example, in this case, the learning unit can determine a discrepancy that exceeds a corresponding threshold value based on a comparison of several user selections at different time intervals. This discrepancy can be determined, for example, in the form of the similarity measure or a value based on a correlation. The learning unit can decide which time interval is affected by forgetting or deleting the associated user selections. In this way, it can be avoided that the person's previous behavior does not make learning, learning or learning the learning unit unnecessarily difficult.
Eine weitere Ausgestaltung sieht vor, dass die neue Lichtverteilung als benutzerseitige Auswahl gewertet wird, falls benutzerseitig keine Änderung an der neuen Lichtverteilung durchgeführt wird. In diesem Fall schlägt die Lerneinheit eine Lichtverteilung vor, welche vom Fahrer akzeptiert wird. Somit erfolgt benutzerseitig keine Änderung an der neuen Lichtverteilung. Diese Ausgestaltung sieht nun vor, dass dieses passive Verhalten des Fahrers, also das Ausbleiben einer benutzerseitigen Änderung als Zustimmung für die neue Lichtverteilung gewertet werden kann. Die neue Lichtverteilung wird in diesem Fall als benutzerseitige Auswahl gewertet. Sie kann genauso behandelt werden, als wenn die neue Lichtverteilung durch den Fahrer eingestellt worden wäre. So kann die Lerneinheit beispielsweise dem Fahrer ein neues Lichtkonzept vorstellen, welches ihm bisher nicht bekannt ist und vom Fahrer akzeptiert werden kann. Dies kann dazu beitragen, dass eine Lichtautomatik einer Scheinwerfereinrichtung noch besser personalisiert werden kann.A further embodiment provides that the new light distribution is evaluated as a user selection if the user does not make any changes to the new light distribution. In this case, the learning unit suggests a light distribution that is accepted by the driver. This means that the user does not make any changes to the new light distribution. This embodiment now provides that this passive behavior of the driver, i.e. the absence of a change by the user, can be viewed as consent for the new light distribution. In this case, the new light distribution is considered a user selection. It can be treated in the same way as if the new light distribution had been set by the driver. For example, the learning unit can introduce the driver to a new lighting concept that was previously unknown to the driver and can be accepted by the driver. This can help ensure that the automatic lighting system of a headlight device can be personalized even better.
Eine weitere Ausführungsform dieser Erfindung sieht eine Beleuchtungsvorrichtung mit einer Scheinwerfereinrichtung zum Erzeugen mehrerer Lichtverteilung vor. Diese Scheinwerfereinrichtung kann als segmentierter Scheinwerfer beziehungsweise Pixellichtsystem ausgebildet sein. Insbesondere kann die Scheinwerfereinrichtung eine Vielzahl von MEMS oder DMD Spiegel aufweisen. Damit können pixelweise unterschiedliche Lichtverteilungen eingestellt werden. Die Anzahl der einzustellenden Pixel kann mehrere Tausend Pixel betragen. Das Pixellichtsystem kann mithilfe einer LED-Matrix realisiert sein. Diese LED-Matrix kann flächenmodulierbar sein, was bedeutet, dass einzelne Bereiche der Lichtverteilung moduliert werden können. A further embodiment of this invention provides a lighting device with a headlight device for generating multiple light distributions. This headlight device can be designed as a segmented headlight or pixel light system. In particular, the headlight device can have a large number of MEMS or DMD mirrors. This allows different light distributions to be set pixel by pixel. The number of pixels to be set can be several thousand pixels. The pixel light system can be implemented using an LED matrix. This LED matrix can be area modulated be bar, which means that individual areas of the light distribution can be modulated.
Das Pixellichtsystem kann ebenso als LCD-Pixellichtsystem ausgebildet sein. Ebenfalls ein Laser-Pixellichtsystem ist als Scheinwerfereinrichtung möglich.The pixel light system can also be designed as an LCD pixel light system. A laser pixel light system is also possible as a headlight device.
Die Beleuchtungsvorrichtung weist eine Schnittstelle zum Empfangen von Daten betreffend mindestens eine Verkehrssituation und eine aktuelle Verkehrssituation auf. Diese Schnittstelle dient insbesondere dazu, der Lerneinheit diese Daten zu übermitteln beziehungsweise es der Lerneinheit zu ermöglichen, auf diese Daten zuzugreifen. Ferner weist die Beleuchtungsvorrichtung eine Lerneinheit zum Lernen einer benutzerseitigen Auswahl einer jeweiligen der Lichtverteilungen an der Scheinwerfereinrichtung in Abhängigkeit von der mindestens einen Verkehrssituation und zum Einstellen einer der Lichtverteilungen an der Scheinwerfereinrichtung in Abhängigkeit von der erlernten benutzerseitigen Auswahl und von der aktuellen Verkehrssituation. Das Einstellen einer der Lichtverteilungen an der Scheinwerfereinrichtung kann bedeuten, dass die Lerneinheit Steuersignale erzeugt, welche ausgebildet sind, die Lichtverteilung, die durch die Scheinwerfereinrichtung erzeugt wird, zu verändern. Somit kann die Lerneinheit auch als Steuereinheit für die Scheinwerfereinrichtung aufgefasst werden. Die in den vorangegangenen Ausgestaltungen und Varianten genannten Beispiele sowie Vorteile gelten sinngemäß und analog für die Beleuchtungsvorrichtung. Insbesondere verfügt die Beleuchtungsvorrichtung über gegenständliche Merkmale, die es ermöglichen, die Verfahrensschritte auszuführen. Dies bedeutet insbesondere, dass die Lerneinheit für entsprechende digitale Ressourcen wie zum Beispiel einen Mikroprozessor, ein Speichermedium, Zugriff auf ein Bordnetz des Kraftfahrzeugs und so weiter aufweisen kann.The lighting device has an interface for receiving data relating to at least one traffic situation and a current traffic situation. This interface serves in particular to transmit this data to the learning unit or to enable the learning unit to access this data. Furthermore, the lighting device has a learning unit for learning a user selection of a respective one of the light distributions on the headlight device depending on the at least one traffic situation and for adjusting one of the light distributions on the headlight device depending on the learned user selection and on the current traffic situation. Adjusting one of the light distributions on the headlight device can mean that the learning unit generates control signals which are designed to change the light distribution that is generated by the headlight device. The learning unit can therefore also be viewed as a control unit for the headlight device. The examples and advantages mentioned in the previous refinements and variants apply mutatis mutandis and analogously to the lighting device. In particular, the lighting device has physical features that make it possible to carry out the method steps. This means in particular that the learning unit can have corresponding digital resources such as a microprocessor, a storage medium, access to an on-board network of the motor vehicle and so on.
Eine weitere Ausführungsform sieht vor, dass die Beleuchtungsvorrichtung eine Erfassungseinheit und die Lerneinheit ein künstliches neuronales Netz aufweist und die Lerneinheit ausgebildet ist die Verkehrssituationen und/oder die aktuelle Verkehrssituation zu ermitteln. Die Erfassungseinheit kann als Sensoreinrichtung eines Kraftfahrzeugs ausgebildet sein. Somit kann beispielsweise eine Kamera oder ein Mikrofon Teil der Erfassungseinheit sein. Die Daten betreffend die mindestens eine Verkehrssituation oder die aktuelle Verkehrssituation können beispielsweise Rohdaten sein. Dies können beispielsweise Ultraschallsignale oder Bilddaten sein. Die Lerneinheit kann diese Informationen analysieren und als Ergebnis eine Verkehrssituation ermitteln. Bei einer Analyse von Bilddaten können beispielsweise unterschiedliche Bildverarbeitungsalgorithmen zum Einsatz kommen. Insbesondere kann das künstliche neuronale Netz selbstständig die Analyse bei Daten betreffend die Verkehrssituationen durchführen. Im einfachsten Fall sind diese Daten bereits aufbereitet, indem sie beispielsweise vorab auf einem Backendserver analysiert wurden. In diesem Fall kann die Lerneinheit über die Schnittstelle auf diese Daten zugreifen beziehungsweise diese Daten empfangen. Somit ist es möglich, dass die Lerneinheit die Daten betreffend die mindestens eine Verkehrssituation oder die aktuelle Verkehrssituation abruft beziehungsweise ausliest oder im Falle von Rohdaten diese Rohdaten entsprechend analysiert und selbstständig die Verkehrssituation ermitteln.A further embodiment provides that the lighting device has a detection unit and the learning unit has an artificial neural network and the learning unit is designed to determine the traffic situations and/or the current traffic situation. The detection unit can be designed as a sensor device of a motor vehicle. Thus, for example, a camera or a microphone can be part of the detection unit. The data relating to the at least one traffic situation or the current traffic situation can be raw data, for example. These can be, for example, ultrasound signals or image data. The learning unit can analyze this information and determine a traffic situation as a result. When analyzing image data, for example, different image processing algorithms can be used. In particular, the artificial neural network can independently carry out the analysis of data relating to traffic situations. In the simplest case, this data has already been prepared, for example by being analyzed in advance on a backend server. In this case, the learning unit can access or receive this data via the interface. It is therefore possible for the learning unit to retrieve or read out the data relating to the at least one traffic situation or the current traffic situation or, in the case of raw data, to analyze this raw data accordingly and independently determine the traffic situation.
Eine weitere Ausführungsform sieht eine Beleuchtungsvorrichtung mit einer Erfassungseinheit zum Erlernen der benutzerseitigen Auswahl vor, wobei die Erfassungseinheit insbesondere eine Fahrzeug-Innenkamera und/oder ein Mikrofon aufweist. In diesem Fall weist die Erfassungseinheit Sensoren auf, welche insbesondere einen Innenraum des Kraftfahrzeugs überwachen beziehungsweise beobachten können. Mithilfe der Fahrzeug-Innen-Kamera kann die Person beziehungsweise deren Hand beobachtet werden. Mithilfe des Mikrofons kann gesprochener Text der Person analysiert werden. Insbesondere können so Sprachbefehle empfangen und durch die Lerneinheit ausgewertet werden. Somit kann die Lerneinheit mithilfe der beiden Komponenten der Erfassungseinheit die benutzerseitige Auswahl des Fahrers erlernen. Auch bei dieser Ausführungsform der Erfindung gelten die bereits genannten Vorteile und Bespiele sinngemäß für diese Ausführungsform.A further embodiment provides a lighting device with a detection unit for learning the user's selection, the detection unit in particular having a vehicle interior camera and/or a microphone. In this case, the detection unit has sensors which can monitor or observe, in particular, an interior of the motor vehicle. The person or their hand can be observed using the vehicle's interior camera. The microphone can be used to analyze the person's spoken text. In particular, voice commands can be received and evaluated by the learning unit. The learning unit can thus learn the user's selection of the driver using the two components of the detection unit. In this embodiment of the invention, the advantages and examples already mentioned also apply mutatis mutandis to this embodiment.
Eine weitere Ausführungsform sieht ein Kraftfahrzeug mit einer Beleuchtungsvorrichtung vor. Somit kann während einer Fahrt des Kraftfahrzeugs die Lerneinheit stets eine auf den Fahrer abgestimmte personalisierte Lichtverteilung bereitstellen. Auch hier gelten die bereits genannten Vorteile und Beispiele sinngemäß für das Kraftfahrzeug.A further embodiment provides a motor vehicle with a lighting device. The learning unit can therefore always provide a personalized light distribution tailored to the driver while the motor vehicle is driving. Here too, the advantages and examples already mentioned apply analogously to the motor vehicle.
Eine weitere Ausführungsform dieser Erfindung sieht ein Computerprogrammprodukt vor, welches Befehle umfasst, die bewirken, dass die Beleuchtungsvorrichtung die Verfahrensschritte a) bis c) ausführt.A further embodiment of this invention provides a computer program product which includes instructions that cause the lighting device to carry out method steps a) to c).
Ebenso sieht diese Erfindung ein computerlesbares Medium vor, auf dem das Computerprogrammprodukt gespeichert ist.This invention also provides a computer-readable medium on which the computer program product is stored.
Ein in dieser Anmeldung beschriebenes Verfahren kann auch in Form eines Computerprogrammprodukts vorliegen, welches das Verfahren der Lerneinheit implementiert, wenn es auf der Lerneinheit ausgeführt wird. Ebenso kann ein elektronisch lesbarer Datenträger mit darauf gespeicherten elektronisch lesbaren Steuerinformationen vorliegen, welche zumindest ein beschriebenes Computerprogrammprodukt umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Lerneinheit ein beschriebenes Verfahren durchführen. Zu der Erfindung gehört auch die Lerneinheit für das Kraftfahrzeug. Die Lerneinheit kann eine Prozessoreinrichtung aufweisen die dazu eingerichtet ist, eine Ausführungsform des Verfahrens durchzuführen. Die Prozessoreinrichtung kann hierzu zumindest einen Mikroprozessor und/oder zumindest einen Mikrocontroller aufweisen. Des Weiteren kann die Prozessoreinrichtung einen Programmcode aufweisen, der dazu eingerichtet ist, bei Ausführen durch die Prozessoreinrichtung die Ausführungsform des Verfahrens durchzuführen. Der Programmcode kann in einem Datenspeicher der Prozessoreinrichtung gespeichert sein.A method described in this application may also be in the form of a computer program product that implements the method of the learning unit when executed on the learning unit. Likewise, an electronically readable data carrier with data stored on it can be used electronically readable control information is present, which includes at least one described computer program product and is designed in such a way that it carries out a described method when using the data carrier in a learning unit. The invention also includes the learning unit for the motor vehicle. The learning unit can have a processor device that is set up to carry out an embodiment of the method. For this purpose, the processor device can have at least one microprocessor and/or at least one microcontroller. Furthermore, the processor device can have a program code that is designed to carry out the embodiment of the method when executed by the processor device. The program code can be stored in a data memory of the processor device.
Die Erfindung wird nun anhand der beigefügten Zeichnungen näher erläutert. In den Figuren werden mögliche beziehungsweise bevorzugte Ausführungsformen der Erfindung beschrieben. Die in den Figuren dargestellten Beispiele sind beispielhaft und somit nicht einschränkend zu verstehen.The invention will now be explained in more detail with reference to the accompanying drawings. Possible or preferred embodiments of the invention are described in the figures. The examples shown in the figures are exemplary and therefore not restrictive.
Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Verfahrens, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Kraftfahrzeugs beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Verfahrens hier nicht noch einmal beschrieben.The invention also includes developments of the method according to the invention, which have features as have already been described in connection with the developments of the motor vehicle according to the invention. For this reason, the corresponding developments of the method according to the invention are not described again here.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.The invention also includes the combinations of the features of the described embodiments.
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
-
1 eine schematische Seitenansicht auf ein Kraftfahrzeug mit einem darin sitzenden Fahrer; und -
2 ein schematisches Ablaufdiagramm eines beispielhaften Verfahrens.
-
1 a schematic side view of a motor vehicle with a driver sitting in it; and -
2 a schematic flowchart of an exemplary method.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiments explained below are preferred embodiments of the invention. In the exemplary embodiments, the described components of the embodiments each represent individual features of the invention that are to be considered independently of one another and which also further develop the invention independently of one another. Therefore, the disclosure is intended to include combinations of the features of the embodiments other than those shown. Furthermore, the described embodiments can also be supplemented by further features of the invention that have already been described.
In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.In the figures, the same reference numerals designate functionally identical elements.
An einer Vorderseite des Kraftfahrzeugs 10 ist eine Scheinwerfereinrichtung 18 angeordnet, welche Teil der Beleuchtungsvorrichtung 26 ist. Zur Beleuchtungsvorrichtung 26 gehören auch eine Lerneinheit LE, ein Mikrofon 14, eine Schnittstelle 20, eine Kamera 16. Das Kraftfahrzeug 10 verfügt im Beispiel von
Mithilfe der Fahrzeuginnenkamera 16 kann die Person 12 beobachtet beziehungsweise observiert werden. Insbesondere kann beobachtet werden, welche Änderungen die Person 12 mithilfe ihrer Hand an der Scheinwerfereinrichtung 18 durchführt. Falls die Scheinwerfereinrichtung 18 auch eine Änderung per Sprachbefehle zulässt, kann die Lerneinheit LE mithilfe des Mikrofons 14 diese akustisch induzierten Änderungen erfassen. Dies ermöglicht es der Lerneinheit LE, umfassend die benutzerseitigen Änderungen an der Scheinwerfereinrichtung 18 zu erfassen und somit die benutzerseitige Auswahl der Lichtverteilung zu erlernen.With the help of the
Zugleich kann die Lerneinheit LE mithilfe der Außenkamera 22 sowie weiterer nicht dargestellter Sensoren die mindestens eine Verkehrssituation ermitteln. Dazu kann die Lerneinheit LE auf Sensorrohdaten dieser Sensoren zugreifen. Diese Rohdaten kann die Lerneinheit LE entsprechend analysieren und so die jeweilige Verkehrssituation ermitteln. Zeigt beispielsweise ein Bild der Fahrzeugaußenkamera 22 einen Straßenverlauf mit mehreren breiten weißen Strichen, die nebeneinander angeordnet sind, so kann die Lerneinheit LE beispielsweise auf einen Zebrastreifen schließen. Erkennt die Lerneinheit LE mithilfe der Fahrzeugaußenkamera 22 ein entsprechendes Verkehrsschild, welches den Zebrastreifen andeutet, so kann die Lerneinheit ebenfalls über eine Analyse des Verkehrszeichens den Zebrastreifen erkennen. Dies ist lediglich ein mögliches Beispiel, wie die Lerneinheit LE eine Verkehrssituation erkennen beziehungsweise ermitteln kann.At the same time, the learning unit LE can determine at least one traffic situation using the
Verfügt die Lerneinheit LE beispielsweise über nicht genügend digitale Ressourcen, um die jeweilige Verkehrssituation zu ermitteln, so können diese Daten an den Backendserver 24 übertragen werden. Dort können diese Daten betreffend die jeweilige Verkehrssituation ausgewertet werden und ein Ergebnis dieses Auswertens kann über die Schnittstelle 20 der Lerneinheit LE mitgeteilt beziehungsweise übermittelt werden. Die Lerneinheit LE kann insbesondere auf ein nicht dargestelltes CAN-Busnetz des Kraftfahrzeugs 10 auf weitere Sensoren zugreifen und deren Informationen zum Ermitteln der jeweiligen Verkehrssituation nutzen.For example, if the learning unit LE does not have enough digital resources to determine the respective traffic situation, this data can be transmitted to the
In einem zweiten Schritt S2 wird die aktuelle Verkehrssituation ermittelt. Diese kann insbesondere gegenüber der mindestens einen Verkehrssituation zeitversetzt sein. Beim Schritt S1 wird die mindestens eine Verkehrssituation ermittelt, beim zweiten Schritt S2 wird die aktuelle Verkehrssituation ermittelt. Dies kann die Lerneinheit LE durch entsprechendes Abrufen beziehungsweise Analysieren oder Auswerten der Daten betreffend die jeweilige Verkehrssituation bewerkstelligen.In a second step S2, the current traffic situation is determined. This can in particular be time-delayed compared to the at least one traffic situation. In step S1, the at least one traffic situation is determined; in the second step S2, the current traffic situation is determined. The learning unit LE can accomplish this by appropriately retrieving or analyzing or evaluating the data relating to the respective traffic situation.
In einem weiteren dritten Schritt S3 kann eine der Lichtverteilungen an der Scheinwerfereinrichtung 18 in Abhängigkeit von der erlernten benutzerseitigen Auswahl und von der aktuellen Verkehrssituation eingestellt werden. Somit kann im dritten Schritt S3 eine personalisierte Lichtverteilung erzeugt werden. Dies bedeutet, dass die Scheinwerfereinrichtung 18 beziehungsweise die Beleuchtungsvorrichtung 26 personalisiert werden können. Im Idealfall entsprechen diese neuen eingestellten Lichtverteilungen den Bedürfnissen der Person 12 und machen weitere benutzerseitige Änderungen durch die Person 12 überflüssig. Die Person 12 ist meistens der Fahrer des Kraftfahrzeugs 10, jedoch können auch andere Personen zur Durchführung dieses Verfahrens in Frage kommen.In a further third step S3, one of the light distributions on the
Nach dem dritten Schritt S3 kann das in
Werden jedoch an der durch die Lerneinheit LE eingestellten Lichtverteilungen benutzerseitig Änderungen vorgenommen, so liegt ein benutzerseitiger Eingriff in die Lichtautomatik der Beleuchtungsvorrichtung 26 vor. Dieser manuelle Eingriff beziehungsweise diese benutzerseitige Auswahl kann durch die Lerneinheit LE entsprechend erfasst werden und somit kann die Lerneinheit LE ihre Informationen beziehungsweise Datenbank betreffend das benutzerseitige Verhalten hinsichtlich des Einstellens der Lichtverteilungen weiter verfeinern. Die Lerneinheit LE kann mithilfe des neuronalen Netzes NN bewusst entscheiden, wann gezielt ein solcher Anreiz zum Induzieren einer benutzerseitigen Auswahl gesetzt werden soll. Dieser Anreiz besteht darin, dass die Lerneinheit LE eine neue Lichtverteilung einstellt, obwohl benutzerseitig keine Anpassung der Lichtverteilung erfolgt. Das Setzen dieses Anreizes stellt keine Abweichung zu den bisherigen Verfahrensschritten dar, da dieses gezielte Anpassen der Lichtverteilung als ein vorgelagerter separater Verfahrensschritt verstanden werden kann. Für den Fall, dass die Person 12 nach dem Einstellen der Lichtverteilung durch die Lerneinheit erneut die Lichtverteilung manuell ändert, ist insbesondere vorgesehen, dass die Verfahrensschritte a) bis c) beziehungsweise der erste Schritt S1 bis zum dritten Schritt S3 erneut durchlaufen werden.However, if the user makes changes to the light distributions set by the LE learning unit, this is a user responsibility intervention in the automatic lighting system of the
Das in
Claims (14)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018219290.1A DE102018219290B4 (en) | 2018-11-12 | 2018-11-12 | Method for teaching a personalized headlight device of a motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018219290.1A DE102018219290B4 (en) | 2018-11-12 | 2018-11-12 | Method for teaching a personalized headlight device of a motor vehicle |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102018219290A1 DE102018219290A1 (en) | 2020-05-14 |
DE102018219290B4 true DE102018219290B4 (en) | 2023-11-30 |
Family
ID=70469263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018219290.1A Active DE102018219290B4 (en) | 2018-11-12 | 2018-11-12 | Method for teaching a personalized headlight device of a motor vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018219290B4 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3113387A1 (en) * | 2020-07-20 | 2022-02-18 | Valeo Vision | Method of operation of automotive lighting device and automotive lighting device |
DE102020211190A1 (en) * | 2020-09-07 | 2022-03-10 | Ford Global Technologies, Llc | Method for automatically optimizing a predictive dynamic cornering light function of a lighting system of a vehicle, lighting system, vehicle and computer program product |
DE102021124560A1 (en) | 2021-09-22 | 2023-03-23 | Marelli Automotive Lighting Reutlingen (Germany) GmbH | LED light source assembly controller and method of programming a controller |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005036002A1 (en) | 2005-08-01 | 2007-02-08 | GM Global Technology Operations, Inc., Detroit | Method for controlling the illumination device of a vehicle, headlight system and processing device |
DE102007009895A1 (en) | 2006-03-02 | 2007-10-18 | Denso Corp., Kariya | Control unit for controlling a vehicle unit |
DE102011100277A1 (en) | 2011-05-03 | 2012-11-08 | Conti Temic Microelectronic Gmbh | Method for parameterization of assistance system, particularly driver assistance system of motor vehicle, involves adapting pre-set parameters for controlling assistance function of assistance system in automatic manner |
-
2018
- 2018-11-12 DE DE102018219290.1A patent/DE102018219290B4/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005036002A1 (en) | 2005-08-01 | 2007-02-08 | GM Global Technology Operations, Inc., Detroit | Method for controlling the illumination device of a vehicle, headlight system and processing device |
DE102007009895A1 (en) | 2006-03-02 | 2007-10-18 | Denso Corp., Kariya | Control unit for controlling a vehicle unit |
DE102011100277A1 (en) | 2011-05-03 | 2012-11-08 | Conti Temic Microelectronic Gmbh | Method for parameterization of assistance system, particularly driver assistance system of motor vehicle, involves adapting pre-set parameters for controlling assistance function of assistance system in automatic manner |
Also Published As
Publication number | Publication date |
---|---|
DE102018219290A1 (en) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3752401B1 (en) | Method for selecting a driving profile of a motor car, driving assistance system and motor vehicle | |
DE102018219290B4 (en) | Method for teaching a personalized headlight device of a motor vehicle | |
DE102015007493B4 (en) | Method for training a decision algorithm and a motor vehicle used in a motor vehicle | |
DE102004022581B4 (en) | Driver assistance system | |
DE102017208159A1 (en) | Method for operating a driver assistance device of a motor vehicle, driver assistance device and motor vehicle | |
DE102013019424A1 (en) | Method for operating a vehicle system for monitoring a driver and motor vehicle | |
DE102016211646A1 (en) | System for automated vehicle guidance with driver-side selection of driving maneuvers in a special driving situation | |
DE102018133670B4 (en) | Method and device for generating control signals for supporting occupants of a vehicle | |
DE102019002790A1 (en) | Method for predicting a traffic situation for a vehicle | |
DE102019106122A1 (en) | Automated driving system | |
DE10007169A1 (en) | Controlling presentation of information to motor vehicle driver involves controlling presentation of messages to driver so entire perception load is held below defined threshold value | |
DE102017200436B4 (en) | Method for operating a driver assistance system of a motor vehicle | |
DE102018210375A1 (en) | Driver assistance system, vehicle, method for operating the driver assistance system, computer program and computer-readable storage medium | |
AT521724A1 (en) | Method and device for analyzing a sensor data stream and method for driving a vehicle | |
DE102019006685A1 (en) | Method for operating a vehicle | |
DE102017103391A1 (en) | Method for improving the user-friendliness of a vehicle | |
DE102021201677B3 (en) | Method and driver assistance system for supporting a motor vehicle when cornering | |
DE102016211034A1 (en) | Information providing device for a vehicle | |
DE102018217183A1 (en) | Learn a light distribution for a headlight | |
DE102020100273A1 (en) | TAKEOVER REQUEST | |
DE102018210367A1 (en) | Driver assistance system, vehicle, method for operating the driver assistance system, computer program and computer-readable storage medium | |
DE102019135115B4 (en) | Methods for improving road safety | |
DE102021003597A1 (en) | Method for influencing the behavior of at least one occupant in a vehicle | |
DE102021101805A1 (en) | DRIVER MONITORING SYSTEM FOR MOTOR VEHICLES | |
DE102021207781A1 (en) | Method, control device and system for adapting an assisted or automated driving function of a vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |